LMI Optimization Based Multirate Steady-State Kalman Filter Design

Resumen Técnico: Diseño de Filtros de Kalman en Régimen Estacionario Multirritmo Basado en Optimización LMI

1. Planteamiento del Problema

En muchas aplicaciones modernas de control y procesamiento de señales (vehículos autónomos, robótica, sistemas de control industrial), la estimación de estado debe realizarse fusionando datos de múltiples sensores que operan a tasas de muestreo diferentes.

• Desafío Principal: El filtro de Kalman clásico asume una tasa de muestreo uniforme. Cuando los sensores tienen ritmos distintos (ej. GPS a 1 Hz y odometría a 10 Hz), el sistema de medición se vuelve periódico y variante en el tiempo, incluso si la dinámica de la planta es invariante.
• Limitación de Métodos Existentes:
  • Las técnicas de "lifting" (elevación) aumentan la dimensión del estado y pueden perder precisión entre muestras.
  • La reformulación cíclica estándar transforma el problema en uno invariante en el tiempo, pero genera una matriz de covarianza del ruido de medición ($\check{R}$) que es semidefinida positiva ($\check{R} \succeq 0$) y no definida positiva.
  • Esto impide el uso directo de la Ecuación Algebraica de Riccati Discreta (DARE) estándar, ya que esta requiere la inversión de una matriz que se vuelve singular cuando faltan mediciones en ciertos instantes.

2. Metodología Propuesta

El autor propone un marco de diseño sistemático basado en Optimización de Desigualdades Matriciales Lineales (LMI) que supera las limitaciones de la DARE.

• Reformulación Cíclica: El sistema multirritmo se modela como un sistema invariante en el tiempo de mayor dimensión (cíclico) donde el estado se expande a lo largo de un periodo $N$. Esto permite tratar el problema como un sistema LTI estándar, pero con la particularidad de que $\check{R}$ es semidefinida.
• Formulación Dual LQR: Se aprovecha la dualidad entre el filtrado de Kalman y el controlador LQR (Regulador Lineal Cuadrático). En lugar de resolver la DARE, se formula un problema de optimización convexa.
• Diseño Basado en LMI:
  • Se introduce una variable de decisión $\check{X}$ (relacionada con la covarianza inversa) y $\check{Y}$ (relacionada con la ganancia).
  • Se plantea una desigualdad matricial que garantiza la estabilidad del error de estimación y minimiza una cota superior de la covarianza del error, sin necesidad de invertir $\check{R}$.
  • La ganancia de Kalman se recupera mediante $\check{L} = -\check{X}^{-1}\check{Y}$.
• Extensiones Multi-objetivo: El marco LMI permite incorporar restricciones adicionales fácilmente:
  • Ubicación de Polos: Para garantizar una tasa de convergencia mínima (región de disco $D_{\bar{r}}$).
  • Norma $l_2$ Inducida: Para limitar la amplificación del peor caso de los disturbios (robustez), equilibrando el rendimiento promedio (mínimo cuadrático) con el rendimiento en el peor caso.

3. Contribuciones Clave

1. Identificación y Solución del Problema de Semidefinición: Se demuestra que en sistemas multirritmo reales, la covarianza cíclica $\check{R}$ es inherentemente semidefinida. Se presenta un enfoque LMI basado en la formulación dual LQR que maneja esta singularidad de manera natural, algo que la DARE estándar no puede hacer.
2. Marco Multi-objetivo Unificado: Se desarrolla una metodología que integra la minimización de la covarianza de error (rendimiento promedio) con restricciones de estabilidad (polos) y robustez (norma $l_2$) en un único problema de programación semidefinida (SDP).
3. Garantías de Estabilidad y Cotas: Se demuestra teóricamente que la factibilidad de las LMI garantiza la estabilidad Schur del filtro. Además, se proporciona una cota superior válida y ajustada para la covarianza del error de estimación.
4. Validación Numérica Rigurosa: Implementación y prueba en un escenario de navegación automotriz realista.

4. Resultados Numéricos

El método se validó mediante simulaciones en un sistema de navegación automotriz que fusiona:

• GPS: 1 Hz (posición).
• Sensores de velocidad de rueda: 10 Hz (velocidad).
• Simulación Monte Carlo: 500 realizaciones independientes de ruido.

Hallazgos principales:

• Precisión: El RMSE (Error Cuadrático Medio Raíz) de posición obtenido fue de 0.561 m, significativamente inferior al nivel de ruido del GPS (1.0 m), demostrando la eficacia de la fusión multirritmo.
• Validez de la Cota LMI: La cota teórica de RMSE derivada de la solución LMI superó ligeramente los resultados de Monte Carlo (ratio de 1.002 a 1.046), confirmando que la cota es válida y muy ajustada (bajo conservadurismo).
• Compromisos (Trade-offs):
  • La imposición de polos más rápidos (ej. $|\lambda| < 0.8$) aumentó el costo de la covarianza (trace) en más de un orden de magnitud, mostrando la no linealidad del compromiso entre velocidad de convergencia y precisión.
  • El diseño con restricción de norma $l_2$ mejoró los márgenes de estabilidad (reduciendo el radio espectral de 0.967 a 0.653) a costa de un aumento moderado en el error promedio.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Superación de Limitaciones Teóricas: Proporciona una solución rigurosa y computacionalmente eficiente para un problema clásico (filtrado multirritmo) que había sido difícil de abordar óptimamente debido a la singularidad de la covarianza de medición.
• Flexibilidad de Diseño: Transforma el diseño de filtros de Kalman de un procedimiento analítico rígido (DARE) a un marco de optimización convexa flexible, permitiendo a los ingenieros ajustar explícitamente el compromiso entre precisión, velocidad de respuesta y robustez.
• Aplicabilidad Práctica: La validación en un caso de uso automotriz demuestra que el método es viable para sistemas críticos donde la fusión de sensores heterogéneos es esencial para la seguridad y el rendimiento.
• Fundamento para Futuras Investigaciones: Abre la puerta a extensiones en sistemas con incertidumbre politópica, sistemas descriptor y filtrado no lineal, utilizando la misma estructura LMI.

En conclusión, el artículo establece un nuevo estándar para el diseño de filtros de Kalman en entornos multirritmo, ofreciendo una herramienta matemática robusta que garantiza estabilidad y optimización bajo restricciones complejas, superando las limitaciones de los métodos tradicionales basados en Riccati.